基于集合卡尔曼滤波的帽儿山森林多源LAI产品重建及融合校正方法

【目的】现有叶面积指数(LAI)产品大多存在分辨率低、数据异常和精度低等问题,难以满足某些应用需求。因此,本研究提出一种多源LAI数据的融合方法,以减少不同来源数据的差异并提高产品精度。【方法】以帽儿山实验林场的阔叶林和针叶林区域为研究区,基于2017年的MODIS、VIIRS和PROBA-V的LAI产品,利用多年LAI数据作为先验知识建立LAI背景库修正低质量数据,对3种LAI数据集进行混合像元分解的降尺度处理,基于Sentinel-2反射率产品耦合集合卡尔曼滤波(EnKF)算法、LAI动态模型和辐射传输模型进行数据同化,最后对同化后的3种LAI数据进行赋权融合,使用实测数据进行精度评价。【结果】在阔叶林,同化后的MODIS、VIIRS和PROBA-V LAI与实测数据的相关系数分别为0.59、0.56和0.62,比原始数据提升了0.57、0.52和0.57;均方根误差分别为0.37、0.31和0.14,比原始数据减小了1.23、1.69和1.06。在针叶林,同化后的MODIS、VIIRS和PROBA-V LAI与实测数据的相关系数分别为0.59、0.49和0.56,比原始数据提升了0.52、0.30和0.40;均方根误差分别为0.24、0.28和0.19,比原始数据减小了1.22、0.67和1.35。通过融合方法,阔叶林LAI和针叶林LAI的相关系数分别为0.83和0.76,比同化后数据的相关性更高;均方根误差分别为0.15和0.13,比同化后数据的误差更小。【结论】通过数据同化提升了3种LAI产品精度,融合后LAI较同化后单一LAI具有更高的精度和可靠性。

地下水位预测:集合卡尔曼滤波(EnKF)应用概述

以地下水数值模型为例,分析了集合卡尔曼滤波在进行数据融合时的基本原理和步骤。根据集合卡尔曼滤波的实际功能,并结合中国地下水监测的实际状况,分析了集合卡尔曼滤波在地下水位预测中的应用前景:认为在未来地下水位预报预警工作中,利用集合卡尔曼滤波技术提高地下水位预测的准确性,具有良好的应用前景。

基于集合卡尔曼滤波的PyWOFOST模型在东北玉米估产中的适用性验证

以叶面积指数(LAI)为结合点,引入基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)的作物模型-遥感信息耦合模型PyWOFOST,利用气象数据、农业气象记录观测表数据及MODIS LAI数据检验PyWOFOST模型在东北玉米种植区的适用性,并选取在研究区内均匀分布、覆盖所有玉米品种且具有有效MODIS LAI数据的16个玉米农气站点,模拟该模型在不同的TSUM1(出苗-开花期积温)不确定性水平下各站点的玉米产量及LAI。结果表明,与WOFOST模型相比,PyWOFOST模型对LAI和产量的模拟能力都有极大提高。当TSUM1的不确定性为0、10、20、30℃时,PyWOFOST模拟的产量平均误差分别为10.32%、9.25%、7.31%和8.49%,均较未同化LAI观测数据的WOFOST模拟的产量平均误差(10.55%)低;同化后模拟LAI与同化前模拟LAI相比,其轨迹更接近实测值,更符合玉米的生长发育趋势,表明基于EnKF的PyWOFOST模型在东北玉米种植区有较好的适用性。

集合卡尔曼滤波同化探空资料的数值试验

应用集合卡尔曼滤波(Ensemble Kalman Filter;EnKF)方法,同化了2005年7月一次暴雨过程的探空观测资料,并用非静力中尺度模式MM5进行数值模拟试验。结果表明:在理想模式的假设下,即假设真实模拟和所产生的集合用的是同一个模式并有相同的初始误差,EnKF方法同化的分析结果较好。如果不运用EnKF方法同化探空观测资料,则集合预报结果和不加扰动的单个数值预报结果都没有EnKF方法同化过的好。

基于地球系统模式的局地化粒子滤波器与集合卡尔曼滤波器同化实验

粒子滤波器(PF)是一种非常具有应用前景的非线性资料同化方法。但由于其算法本身存在的粒子退化问题,目前尚未被广泛地应用于大型地球物理模式。目前主流的集合同化系统仍然倾向于使用集合卡尔曼滤波器(EnKF)及其衍生方法。一种新近被提出的局地化粒子滤波器(LPF)在经典的粒子滤波器算法中引入局地化技术,可以使用较小的计算成本有效地避免退化问题,具有非常大的业务应用潜力。本文在全耦合的通用地球系统模式中开展了LPF和EnKF的同化实验,同化资料为模拟的卫星海表温度资料。着重考察了不同局地化参数对两种方法的不同影响,对比了局地化粒子滤波器与集合卡尔曼滤波器的同化效果差异。比较的结果表明,LPF的同化效果对于局地化参数的选择非常敏感,在使用最优局地化参数的条件下,LPF能达到与EnKF相当甚至优于后者的同化效果,并具有较大的改进空间。

基于多源数据融合的土体空间参数不确定性缩减

土体参数存在空间变异性,导致结构响应具有不确定性。忽视这种不确定性或采用偏差参数可能导致工程安全问题,甚至引发工程灾害。现场测量数据可用于改进对基坑开挖等岩土工程中结构响应的估计,通过SPT等直接测量方法得到的勘察数据与土体刚度参数直接相关,在这些数据的基础上,基于Kriging法约束随机场的条件模拟可用于改进对参数空间分布的估计。此外,当监测数据与位移等土体结构性能或响应相关时,利用集合卡尔曼滤波器(EnKF)反分析也可降低土体参数的不确定性。本文采用多源数据融合的形式将直接和间接两种方法结合在一起进行土体开挖分析,结果表明:两种方法结合使用可以显著降低土体参数的不确定性,从而降低结构响应中的不确定性。

平坦地形条件下改进RPF的TAN方法

针对地形辅助导航系统中递归地形匹配方法在平坦地形条件下位置估计鲁棒性差的问题,提出了一种基于集合卡尔曼滤波和正则化粒子滤波(RPF)的地形匹配方法。首先分别以航行器的水平位置分量和多波束声纳的高程测量值作为地形匹配系统的状态量和观测量,然后采用基于投影的方案补偿航行器姿态变化导致的测深误差,最后利用集合卡尔曼滤波器更新RPF中的条件建议分布以实现递归地形匹配。通过船载湖试数据评估了改进RPF在不同初始匹配位置误差条件下的地形匹配跟踪性能,结果表明:所提地形匹配滤波器能始终保持有界的定位误差,位置跟踪精度和置信区间估计性能较高,在10 m分辨率的先验数字地形图中地形匹配误差均值小于2个网格。

集合资料同化方法的理论框架及其在海洋资料同化的研究展望

在海洋动力系统的数值模拟中,海洋资料同化是一种能够有效融合多源海洋观测资料和数值模式的方法。它不仅可以显著地提高数值模拟的效果,构造海洋再分析资料场,还能有效减少海洋和气候预报时模式初始条件的不确定性。因此,海洋资料同化对于海洋研究和业务化应用具有非常重要的意义。资料同化方法的研究一直是大气、海洋科学的热门课题之一。其中,集合卡尔曼滤波器(EnKF)是一种有效的资料同化方法,自提出以来经过了20多年的发展和改进,已经在海洋资料同化中得到了广泛的研究和应用。近年来,随着动力模式的不断发展和计算能力的提高,粒子滤波器由于不受模型线性和误差高斯分布假设的约束,也逐渐成为了当前资料同化方法研究的热点。本文分析和总结了目前关于集合卡尔曼滤波器和粒子滤波器的一些最新理论研究结果,在贝叶斯滤波理论的框架下讨论了这两类算法的关联和区别,以及各自在资料同化实践中的优势和不足。在此基础上,我们探讨了粒子滤波器应用于海洋模式资料同化的主要困难和目前可行的一些解决方法,展望了集合资料同化方法研究的新趋势,为集合资料同化方法的进一步发展和应用提供理论基础。

基于EnKF排放清单反演方法的关键影响参数评估与优化

以中国一氧化碳(CO)排放反演为例,利用敏感性分析手段评估了集合数目、局地化半径､膨胀因子、观测站点密度和观测数据时间分辨率对排放清单反演的影响.结果表明:站点密度是影响排放反演的最重要参数.在不同站点密度下,反演的中国CO排放总量差异可达34%.同时,站点密度还会影响排放反演对其他参数的敏感性.随着站点密度的降低,排放反演对局地化半径、集合数目和膨胀因子参数变得更为敏感,但对观测数据时间分辨率的敏感性则有所下降.因此在站点稀疏地区,局地化半径是排放反演的主要影响参数,集合数目和膨胀因子次之;但在观测站点密集地区,局地化半径和观测数据时间分辨率是主要的影响参数,而膨胀因子和集合数目的影响相对较小.该研究能够为不同尺度的排放反演开展参数优化提供借鉴.在中国CO排放反演案例(站点密度为1.55个/104km2)中,建议反演参数设置为:集合数目为50、局地化半径为100km、最大似然估计膨胀方案(MLE)、日均或小时观测数据.

双集合卡尔曼滤波估算时间序列LAI

遥感估算叶面积指数(LAI)时空动态变化对全球气候变化研究具有重要的意义,为了提高遥感估算时间序列叶面积指数的精度,需要耦合遥感观测数据与LAI动态过程模型。本文提出一种基于双集合卡尔曼滤波(Dual EnKF)的时间序列LAI反演方法,同时更新LAI估计值和LAI动态过程模型中的敏感性参数,得到LAI和动态过程模型敏感参数的最优估计值来优化动态过程模型。一方面使得动态过程模型可以更好地描述LAI随时间的变化过程,降低模型预测误差,从而提高LAI动态过程模型的预测能力;另一方面通过耦合动态过程模型和辐射传输模型,集成遥感观测数据与动态过程模型的预测值,进而得到优化的LAI估计值。为检验算法,分别选取作物、草地和林地等典型植被验证站点进行Dual EnKF LAI时间序列估算,并分别与MODIS LAI产品及其SG滤波曲线、集合卡尔曼滤波方法反演LAI、未优化的动态过程模型模拟LAI结果进行比较,并配以一些站点地面实测点数据作为参考。结果表明,采用Dual EnKF方法得到的LAI不但保持了时间上的连续性,而且通过改善动态过程模型的预测能力,即使在缺乏高质量遥感观测数据时,也能够获得符合LAI发展趋势的估算值,没有出现跳跃、波动现象,时间序列曲线较稳定,更符合植被LAI变化规律,表明基于Dual EnKF的时间序列LAI遥感估算方法是提取LAI时间廓线的一种有效途径。

基于EnKF和RSSI的井下人员跟踪定位研究

建立一套精确可靠的井下人员跟踪定位系统对保障人员安全具有十分重要的意义。井下由于环境复杂、人员分散而导致的电磁波衰落和干扰严重影响了人员定位跟踪的精确性,同时,井下人员等定位目标的运动状态常常为非线性也增加了井下人员跟踪定位的难度。提出了结合集合卡尔曼滤波(EnKF)与无线信号接收强度(RSSI)定位算法的井下人员跟踪定位的方法,将RSSI定位结果作为观测值,通过集合卡尔曼滤波算法结合运动模型可减小定位的随机误差,达到提高定位精确性的目的。模拟实验结果表明:该方法在线性与非线性运动目标的定位中均可取得良好效果,具有较强的实用性。

基于InSAR与多源数据融合的堆石坝外观变形重构

为了满足200~300 m级堆石坝变形监测的需求,弥补利用单轨道合成孔径雷达(SAR)数据只能测得地物视线向与方位向二维变形的不足,基于集合卡尔曼滤波将合成孔径雷达干涉(InSAR)观测与常规点式监测数据进行跨尺度融合,提高堆石坝外观变形的监测精度;利用多维度监测数据,重构堆石坝外观变形场.以水布垭面板堆石坝为例进行研究,结果表明,多源数据融合能够实现"大范围、低精度、高效率"的新型监测技术与"离散点、高精度、低效率"的常规监测技术的优势互补.基于多维度监测数据重构外观变形场能够全面地掌握堆石坝的整体变形性态,降低单维度监测结果对实际变形漏判或误判的可能性.该方法可以用于库岸边坡的变形监测和变形场重构.

基于SODA方法的HyMOD模型不确定性分析

为了改进水文建模过程中的不确定性处理,采用一种融合全局优化和数据同化(Simultaneous Optimization and Data Assimilation,SODA)的混合框架,对Hy MOD模型进行了不确定性分析,并与经典SCEM-UA方法进行了比较。SODA方法具有如下特点:(1)具备较高的参数搜索效率和寻优能力;(2)明确考虑包括输入、输出、参数以及模型结构在内的重要不确定性来源。SODA方法在渭河流域的实例应用结果表明:与SCEM-UA方法相比,SODA方法不仅显著提高了预报精度,而且推求出了性质更为优良的预报区间。SODA方法的成功应用,有助于模型概念的改进及对水文系统功能的理解。

数据同化在核事故辐射场评估中的应用研究

为提高核事故辐射场评估的准确性和可靠度,建立一种基于数据同化理论的评价方法。以高斯烟团模式和核素沉降模式联合组成预测模型,以集合卡尔曼滤波(En KF)为同化算法,结合观测剂量率数据,构建核事故辐射场评估同化系统。在Matlab软件平台上,研究不同气象条件和不同核事故释放情形时,同化结果与模型预测结果的异同。试验结果表明,当气象条件和放射性物质释放率恒定时,同化场的相对均方根误差比模型预测场约低25%;当气象条件和释放率都变化时,同化场的相对均方根误差比模型预测场约低20%。通过有效利用观测数据,数据同化方法能及时调整模型,从而减小模型预测误差。

一种新的模式倾向误差估计算法及其在ENSO模拟中的应用

气候模式是我们理解、模拟和预报气候演变的重要工具。然而即使是目前最先进的耦合模式,其模拟和预报与大气/海洋的真实状态相比,仍存在较大偏差,这是由于在模式的倾向方程中不可避免地存在系统性的误差(倾向误差)。因此,减小模式倾向误差对改进模式的模拟和预报效果具有重要意义。该研究首先发展了一种新的计算模式倾向误差的估计算法——基于局地集合变换卡尔曼滤波器(local ensemble transform kalman filter,LETKF)同化技术的倾向误差估计算法。在此基础上,将新发展的算法应用到Zebiak-Cane(ZC)模式,通过同化海表面温度异常(sea surface temperature anomaly,SSTA)数据,估计随时空变化的倾向误差,并使用计算得到的倾向误差订正模式,进行积分模拟。结果表明:(1)倾向误差和ZC模式的模拟偏差具有高度相关性;(2)订正后的模式改善了对厄尔尼诺-南方涛动(El Ni?o-Southern Oscillation,ENSO)的一些重要特征的模拟。这说明新发展的模式倾向误差估计算法十分有效且在ENSO模拟中具有较好的应用价值,此外,这种新的模式倾向误差估计算法,计算高效简便,可便捷地应用于各模式中,利于推广。

基于SR-UKF的神经元群模型分析

外部输入通过神经元群模型可以产生不同类型的类似EEG的信号,但是外部输入信号的统计特性多采用经验值,而没有对其专门进行研究。在设定神经元群模型参数的情况下,SR-UKF被用来估计不同观测值所对应外部输入以及模型输出。实验证明外部输入估计数据的均值在前人所采用值的范围内,但是标准差比前面用到的小很多。

基于Lorenz-63模型的状态与参数同时估计方法对比研究

模型状态同化精度受多种方面因素的影响,针对状态同化中模型参数的不确定性问题,状态与参数同时估计为此提供了一种较好的解决方案,即在进行状态同化的过程中得到合理的参数估计值。在Lorenz-63模型的基础上构建状态与参数同时估计框架,比较分析增广集合卡尔曼滤波(AEnKF,Augmented Ensemble Kalman Filter)、双重集合卡尔曼滤波(DEnKF,Dual Ensemble Kalman Filter)和同时优化与同化方法(SODA,Simultaneous Optimization and Data Assimilation)在集合数、观测误差和观测数不同时的参数和状态估计结果差异,由此探讨3种方法的优劣及适用性。研究结果表明:3种方法都能较好地估计模型的状态和参数,AEnKF的误差在集合数不大于20时最大,随着集合数增加降低的速率最小;3种方法的RMSE值随观测误差的增大而增大,但算法间差异不大;观测数变为1时3种方法的结果都变差,其中AEnKF最明显。